在聚合物材料的研发过程中，研究者需合成大量具有不同信息的聚合物（例如分子量、分子量分布、化学组成）以开展筛选研究。然而聚合反应受多参数影响，对非专业人士而言，常需经历不断试错才能得到理想结果，不仅实验效率受限、成本高，而且对复杂体系而言，其分析难度大幅度提升。近年来，基于大数据的机器学习方法已经逐渐在化学领域“开疆拓土”，彰显其在反应分析、路线优化上的巨大潜力。而如何在高分子合成中用好机器学习这把“利剑”，还有待开发有效的指导体系。
近日，复旦大学高分子科学系、聚合物分子工程国家重点实验室的陈茂课题组（PolyMao）首次开发了机器学习辅助的聚合反应逆分析平台（图1），用以精准预测不同结构组成聚合物（包括分子量、分子量分布）的制备条件，并且可以拓展至不同聚合反应体系，例如，光控制的PET-RAFT聚合体系（J. Am. Chem. Soc., 2014, 136, 5508-5519）和本实验室前期开发的引发剂原位异化聚合体系（Angew. Chem. Int. Ed., 2020, 59, 919-927）。
图1. 机器学习辅助的系统化聚合逆分析平台
以引发剂异化聚合为例，作者采用随机森林算法，利用已有数据泛化得到了该反应分子量与反应条件的定量关系模型（图1A与1B），该模型能够对任意目标分子量推荐出多种合适的聚合条件（图1C），通过在得到的条件库中筛选可以进一步满足其他合成目标（如分子量分布等）（图1D）。另外，该方法可以在不同底物（如单体、引发剂等）之间进行模型迁移，适配于不同化学组成聚合物的制备需求（图1E）。
本研究成果表明机器学习可能从多个角度对高分子合成带来积极影响：
（1）在传统方法中，需要控制变量时，通常一次只能研究一种反应条件的影响，而机器学习算法可以利用已有的、无固定规律的数据点同步进行多变量分析，揭示多种条件对反应结果的协同影响模式。例如，本文通过机器学习辅助发现了引发剂异化聚合与其他活性自由基聚合不同，其分子量与不同反应条件呈多维线性相关，该结果与课题组的近期报道（Polym. Chem., 2020, 11, 7402-7409）相吻合；
（2）对于难以给出反应条件与结果之间定量推导关系的聚合反应（例如分子量分布），算法可以通过回归分析得到完整的关联模型，以灵活适用于不同的合成需求。例如本文通过对PET-RAFT聚合的反应条件预测，定制化合成了分子量分布分别为1.2、1.5和2.0的聚合物；
（3）当反应物浓度、温度、种类等参数与聚合物结果不呈现线性影响关系时，改变实验参数往往会对反应速度、活性控制等方面带来难以预测的影响，人们常常需要重新开展大量实验优化；而机器学习可将已有模型快速迁移至新的反应空间，助力于高效制备具有不同化学结构、不同分子量及其分布的聚合物库。
几十年来，高分子合成主要由工业界主导，百吨、万吨、百万吨……对于前沿探索而言，研究者只能“有啥用啥”，难以达到“想用啥就用啥”。随着人们对高分子结构性能关系的理解逐步清晰，随着特定结构的高分子材料在高端应用中日益重要（例如药物递送、新能源等），机器学习的介入，有助于高分子定制合成在普通实验室早日实现自动化、智能化。
相关成果近期在线发表于SCIENCE CHINA Chemistry。博士研究生谷宇为文章第一作者，陈茂研究员为通讯作者。作者特别感谢国家自然科学基金、复旦大学高分子科学系、聚合物分子工程国家重点实验室的支持。
原文（扫描或长按二维码，识别后直达原文页面）：
Machine learning-assisted systematical polymerization planning: case studies on reversible-deactivation radical polymerization
Yu Gu, Peirong Lin, Chengda Zhou, Mao Chen
Sci China Chem., 2021, DOI: 10.1007/s11426-020-9969-y
研究团队简介
PolyMao课题组致力于将高分子化学与有机化学、高分子物理、前沿科技相结合，开发先进高分子材料（尤其是氟材料）及其制备方法，以解决新能源、环境、智能制造等领域的挑战。
欢迎对课题组研究方向感兴趣的同学联系咨询加入课题组的机会（包括夏令营学生、研究生、博士后）。
陈茂
https://www.x-mol.com/university/faculty/47834
课题组网站
http://www.polymaolab.com
